夜雨聆风
最近一个月，我给 OpenClaw 定了几十条规范。它每次都说：记住了。可是下次还是依旧照犯。一开始我以为是模型问题，结果不是。在 OpenClaw里，"记住"这件事，本身就不是默认行为。
AI 不会自动记住任何信息。只有两类信息会被保留：被写入文件，或被重新注入上下文。否则，每一轮对话，本质上都是一次新的推理。
01
问题不在"忘了"，而在"从来没记住"
在 OpenClaw 里，有件事跟很多人想的不太一样：
AI 不会自动记住任何信息。
只有两类信息会被保留：
被写入文件（如 MEMORY.md） 被重新注入上下文（context）
否则：
每一轮对话，本质上都是一次新的推理。
这就是为什么你会遇到这些问题：
"记住这个" → 下次完全不记得 "这个错误别再犯" → 继续犯 "存到文件" → 实际什么都没发生
本质原因只有一个："说过"不等于"记住"。
02
OpenClaw 的 memory，本质是三层结构
很多人把 QMD、Lossless Claw 当成"记忆系统"，其实是误解。
OpenClaw 的 memory，本质可以拆成三层：
storage（存储） retrieval（检索） context（上下文）
这是整套系统最关键的认知。
1）storage：你有没有真的"写下来"
默认的 memory 其实挺朴素：就是 MEMORY.md 和各类 .md 文件。
也就是说：memory 的本质就是文件。
如果信息没有被写入这些文件，后续 100% 不会被用到。
2）retrieval：能不能"找到这些记忆"（QMD 在这里）
当 memory 变多后，问题变成：找不找得到？
默认是简单检索，而 QMD 做的是：
BM25 + 向量检索 rerank 排序
它解决的是："有记忆，但能不能被命中"。
关键点：QMD 不是 memory，是 retrieval 引擎。
3）context：能不能"带进当前推理"（Lossless Claw 在这里）
模型有上下文窗口限制。
Lossless Claw 做的事情是：
持久化对话（SQLite） 摘要压缩 构建 DAG 结构 动态拼接上下文
它解决的是："上下文装不下"的问题。
但关键是：它不是 memory 系统，是 context 管理系统。
一句话总结：
- QMD：帮你找到记忆
- Lossless Claw：帮你装下对话
03
为什么"答应了却没做"
很多看起来"很蠢"的行为，其实都可以用这套结构解释。
比如：
"记住这个" → 没写入 storage "下次别犯" → 没进入 retrieval "说了要存" → 根本没有执行写文件动作
在 OpenClaw 中，只有写入文件的内容，才有资格成为"记忆"。这是最重要的一条工程事实。
04
一个最小实验：三种配置到底差在哪
我做了一个很简单的实验，只验证一件事：memory 能不能被再次用到。
测试配置：
默认 memory files memory files + QMD memory files + QMD + Lossless Claw
测试方法：
第一天：写入明确规则（命名规范 + 错误约束）
第二天：新任务中观察是否遵守
结果：
最终结论：
QMD：改善"能不能找到" Lossless Claw：改善"当前对话别丢"，为长期情景记忆打基础
05
一个真正可用的 memory 方案
如果你只想让 OpenClaw 稳定可用，搞复杂系统没必要：
我当前的推荐配置是：memory files + QMD
为什么是这个组合？
memory files 解决"存不存" QMD 解决"找不找得到"
已经覆盖 80% 场景。
是否需要 Lossless Claw？
暂时不需要（大多数场景）。 除非你有超长对话、多轮复杂推理链，否则它不会提升 memory 效果。
06
最重要的事
无论你用不用 QMD，都必须遵守三条规则：
- 重要信息必须写入文件
- 不要依赖"AI自己记住"
- memory 只存高价值信息
否则，再强的检索也没有意义。
OpenClaw 最大的误解在于：很多人以为它"自带记忆系统"。
它没有。它只有存储能力，没有默认的记忆能力。
如果你不主动设计 memory，Agent 是不会记住任何东西的。
从工程角度，一个可用的最小方案其实很简单：memory files + QMD，已经足够覆盖大多数真实使用场景。
至于 Lossless Claw，在绝大多数情况下，它是优化，是可选项。
AI 不会记住你说过的话，只会记住你写下来的结构。
